用FCM与KFCM处理脑部图像

一份很好的脑部图像处理的程序

function [center U obj_fcn] = FCMClust（data cluster_n options）
% FCMClust.m   采用模糊C均值对数据集data聚为cluster_n类 
%
% 用法：
%   1.  [centerUobj_fcn] = FCMClust（DataN_clusteroptions）;
%   2.  [centerUobj_fcn] = FCMClust（DataN_cluster）;
%   
% 输入：
%   data        ---- nxm矩阵表示n个样本每个样本具有m的维特征值
%   N_cluster   ---- 标量表示聚合中心数目即类别数
%   options     ---- 4x1矩阵，其中
%       options（1）:  隶属度矩阵U的指数，>1                  （缺省值: 2.0）
%       options（2）:  最大迭代次数                           （缺省值: 100）
%       options（3）:  隶属度最小变化量迭代终止条件           （缺省值: 1e-5）
%       options（4）:  每次迭代是否输出信息标志                （缺省值: 1）
% 输出：
%   center      ---- 聚类中心
%   U           ---- 隶属度矩阵
%   obj_fcn     ---- 目标函数值
%   Example:
%       data = rand（1002）;
%       [centerUobj_fcn] = FCMClust（data2）;
%       plot（data（:1） data（:2）‘o‘）;
%       hold on;
%       maxU = max（U）;
%       index1 = find（U（1:） == maxU）;
%       index2 = find（U（2:） == maxU）;
%       line（data（index11）data（index12）‘marker‘‘*‘‘color‘‘g‘）;
%       line（data（index21）data（index22）‘marker‘‘*‘‘color‘‘r‘）;
%       plot（[center（[1 2]1）][center（[1 2]2）]‘*‘‘color‘‘k‘）
%       hold off;


if nargin ~= 2 & nargin ~= 3    %判断输入参数个数只能是2个或3个
	error（‘Too many or too few input arguments!‘）;
end

data_n = size（data 1）; % 求出data的第一维（rows）数即样本个数
in_n = size（data 2）;   % 求出data的第二维（columns）数，即特征值长度
% 默认操作参数
default_options = [2;	% 隶属度矩阵U的指数
    100;                % 最大迭代次数 
    1e-5;               % 隶属度最小变化量迭代终止条件
    1];                 % 每次迭代是否输出信息标志 

if nargin == 2
	options = default_options;
 else       %分析有options做参数时候的情况
	% 如果输入参数个数是二那么就调用默认的option;
	if length（options） < 4 %如果用户给的opition数少于4个那么其他用默认值;
		tmp = default_options;
		tmp（1:length（options）） = options;
		options = tmp;
    end
    % 返回options中是数的值为0（如NaN）不是数时为1
	nan_index = find（isnan（options）==1）;
    %将denfault_options中对应位置的参数赋值给options中不是数的位置.
	options（nan_index） = default_options（nan_index）;
	if options（1） <= 1 %如果模糊矩阵的指数小于等于1
		error（‘The exponent should be greater than 1!‘）;
	end
end
%将options 中的分量分别赋值给四个变量;
expo = options（1）;          % 隶属度矩阵U的指数
max_iter = options（2）;		% 最大迭代次数 
min_impro = options（3）;		% 隶属度最小变化量迭代终止条件
display = options（4）;		% 每次迭代是否输出信息标志 

obj_fcn = zeros（max_iter 1）;	% 初始化输出参数obj_fcn

U = initfcm（cluster_n data_n）;     % 初始化模糊分配矩阵使U满足列上相加为1
% Main loop  主要循环
for i = 1:max_iter
    %在第k步循环中改变聚类中心ceneter和分配函数U的隶属度值;
	[U center obj_fcn（i）] = stepfcm（data U cluster_n expo）;
	if display 
		fprintf（‘FCM:Iteration count = %d obj. fcn = %f\n‘ i obj_fcn（i））;
	end
	% 终止条件判别
	if i > 1
		if abs（obj_fcn（i） - obj_fcn（i-1）） < min_impro 
            break;
        end
	end
end

iter_n = i;	% 实际迭代次数 
obj_fcn（iter_n+1:max_iter） = [];


% 子函数
function U = initfcm（cluster_n data_n）
% 初始化fcm的隶属度函数矩阵
% 输入:
%   cluster_n   ---- 聚类中心个数
%   data_n      ---- 样本点数
% 输出：
%   U           ---- 初始化的隶属度矩阵
U = r

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       4794  2005-05-06 21:43  FCM\FCM\FCMClust.m

     文件      98226  2005-11-26 14:24  FCM\FCM\fcm结果2.jpg

     文件     185480  2005-11-26 14:10  FCM\FCM\imsdata.mat

     文件       6369  2005-09-22 18:45  FCM\FCM\KFCMClust.m

     文件      15202  2005-11-26 14:37  FCM\FCM\MainGUI.fig

     文件      29990  2005-11-26 14:43  FCM\FCM\MainGUI.m

     文件     128731  2005-05-06 11:14  FCM\FCM\核聚类算法2.pdf

     目录          0  2005-11-26 14:46  FCM\FCM

     目录          0  2009-03-14 16:43  FCM

----------- ---------  ---------- -----  ----

               468792                    9